英特爾和美國國家科學(xué)基金會（NSF）宣布了對未來無線系統(tǒng)開發(fā)研究的聯(lián)合資助獲獎?wù)摺Ｔ?機器學(xué)習(xí)的無線網(wǎng)絡(luò)系統(tǒng) （MLWiNS）計劃是一個系列，以支持研究兩個伙伴之間的共同努力，可以加速創(chuàng)新，實現(xiàn)超密集的無線系統(tǒng)，而且能夠滿足吞吐量，時延和可靠性架構(gòu)的焦點最新未來應(yīng)用程序的要求。同時，該程序?qū)⑨槍o線邊緣網(wǎng)絡(luò)上的分布式機器學(xué)習(xí)計算進行研究，以實現(xiàn)廣泛的新應(yīng)用。

“自2015年以來，英特爾和NSF共同捐款超過3，000萬美元，以支持新興技術(shù)領(lǐng)域的科學(xué)和工程研究。MLWiNS是此次合作的下一步，它有望實現(xiàn)未來的無線系統(tǒng)，以滿足全球?qū)ζ占靶?a href="http://www.asorrir.com/v/" target="_blank">智能設(shè)備不斷增長的需求。”英特爾實驗室大學(xué)研究與合作總監(jiān)Gabriela Cruz Thompson說道。

隨著對高級連接服務(wù)和設(shè)備的需求的增長，未來的無線網(wǎng)絡(luò)將需要滿足這些應(yīng)用程序所要求的挑戰(zhàn)性的密度，延遲，吞吐量和安全性要求。機器學(xué)習(xí)顯示出管理此類網(wǎng)絡(luò)的規(guī)模和復(fù)雜性的巨大潛力-滿足容量和覆蓋范圍的需求，同時保持網(wǎng)絡(luò)用戶期望的嚴格和多樣化的服務(wù)質(zhì)量。同時，復(fù)雜的網(wǎng)絡(luò)和設(shè)備為機器學(xué)習(xí)服務(wù)和計算提供了機會，使其可以更靠近數(shù)據(jù)生成的地方進行部署，從而減輕了將數(shù)據(jù)移至云時的帶寬，隱私，延遲和可擴展性。

“ 5G和超越網(wǎng)絡(luò)需要支持吞吐量，密度和等待時間要求，這些要求比當前無線網(wǎng)絡(luò)所能支持的數(shù)量級高幾個數(shù)量級，并且它們還需要安全和節(jié)能，”計算機和網(wǎng)絡(luò)助理總監(jiān)Margaret Martonosi說。 NSF的信息科學(xué)與工程專業(yè)。“ MLWiNS計劃旨在激發(fā)可以幫助滿足這些要求的新穎的機器學(xué)習(xí)研究-今天宣布的獎項旨在將創(chuàng)新的機器學(xué)習(xí)技術(shù)應(yīng)用于未來的無線網(wǎng)絡(luò)設(shè)計，以實現(xiàn)這種進步和能力。”

英特爾和NSF將通過MLWiNS資助研究，目的是推動新的無線系統(tǒng)和體系結(jié)構(gòu)設(shè)計，提高稀疏頻譜資源的利用率并增強無線邊緣網(wǎng)絡(luò)上的分布式機器學(xué)習(xí)計算。獲獎?wù)邔⒃跈C器學(xué)習(xí)和無線網(wǎng)絡(luò)的多個領(lǐng)域進行研究。重點領(lǐng)域和項目示例包括：

無線網(wǎng)絡(luò)的強化學(xué)習(xí)： 弗吉尼亞大學(xué)和賓夕法尼亞州立大學(xué)的研究團隊將研究強化學(xué)習(xí)，以優(yōu)化無線網(wǎng)絡(luò)的運行，重點在于解決融合問題，利用知識轉(zhuǎn)移方法來減少必要的培訓(xùn)數(shù)據(jù)量，并架起橋梁。通過情節(jié)方法在基于模型的增強學(xué)習(xí)與無模型的增強學(xué)習(xí)之間的差距。

邊緣計算的聯(lián)合學(xué)習(xí)：

北卡羅萊納大學(xué)夏洛特分校的研究人員將探索通過無線通信加快多跳聯(lián)合學(xué)習(xí)的方法，允許多組設(shè)備協(xié)作訓(xùn)練共享的全局模型，同時將其數(shù)據(jù)保持本地和私有。與利用單跳無線通信的傳統(tǒng)聯(lián)合學(xué)習(xí)系統(tǒng)不同，多跳系統(tǒng)更新需要通過多個嘈雜且干擾豐富的無線鏈路，這可能導(dǎo)致更新速度變慢。研究人員旨在通過系統(tǒng)地解決通信延遲以及系統(tǒng)和數(shù)據(jù)異質(zhì)性的挑戰(zhàn)，開發(fā)一種具有保證的穩(wěn)定性，高精度和快速收斂速度的新型無線多跳聯(lián)合學(xué)習(xí)系統(tǒng)，以克服這一挑戰(zhàn)。

喬治亞理工學(xué)院的研究人員將分析和設(shè)計用于邊緣計算的聯(lián)合和協(xié)作機器學(xué)習(xí)培訓(xùn)和推理方案，以提高無線網(wǎng)絡(luò)的效率為目標。該團隊將通過邊緣實時深度學(xué)習(xí)來應(yīng)對挑戰(zhàn)，包括有限和動態(tài)的無線通道帶寬，跨邊緣設(shè)備的數(shù)據(jù)分布不均勻以及設(shè)備上的資源限制。

南加州大學(xué)和加州大學(xué)伯克利分校的研究將集中于以編碼為中心的方法，以增強無線通信上的聯(lián)合學(xué)習(xí)。具體來說，研究人員將致力于解決以下挑戰(zhàn)：處理非獨立且分布均勻的數(shù)據(jù)以及無線邊緣的異構(gòu)資源，最大程度地降低用戶上傳帶寬的成本，同時強調(diào)從分布式數(shù)據(jù)中學(xué)習(xí)時的隱私和安全性問題。

跨多個邊緣設(shè)備的分布式培訓(xùn)： 萊斯大學(xué)的研究人員將通過將大型集中式神經(jīng)網(wǎng)絡(luò)劃分為一組獨立的子網(wǎng)絡(luò)來進行培訓(xùn)，這些子網(wǎng)絡(luò)可以在邊緣的不同設(shè)備上進行訓(xùn)練。這可以減少訓(xùn)練時間和復(fù)雜性，同時限制對模型準確性的影響。

利用信息論和機器學(xué)習(xí)來改善無線網(wǎng)絡(luò)性能： 麻省理工學(xué)院，弗吉尼亞理工學(xué)院和州立大學(xué)的研究團隊將合作探索深度神經(jīng)網(wǎng)絡(luò)的使用，以解決無線網(wǎng)絡(luò)的物理層問題。他們將利用信息理論工具來開發(fā)新算法，以更好地解決非線性失真問題，并放寬對無線網(wǎng)絡(luò)中遇到的噪聲和損傷的簡化假設(shè)。

從射頻簽名進行深度學(xué)習(xí)： 俄勒岡州立大學(xué)的研究人員將研究跨層技術(shù)，這些技術(shù)利用收發(fā)器硬件，無線射頻（RF）域知識和深度學(xué)習(xí)的組合功能來實現(xiàn)有效的無線設(shè)備分類。具體來說，重點將放在利用RF信號知識和收發(fā)器硬件損傷來開發(fā)有效的基于深度學(xué)習(xí)的設(shè)備分類技術(shù)，該技術(shù)可隨數(shù)量眾多的新興無線設(shè)備擴展，對設(shè)備簽名克隆和復(fù)制具有魯棒性，并且與設(shè)備無關(guān)。環(huán)境和系統(tǒng)失真。